Выбор данных и их источник
Для этого проекта я выбрал датасет, содержащий информацию о факторах, влияющих на перегрузку стимулами у современного человека. Данные включают 2000 записей с 20 различными параметрами, такими как возраст, время сна, экранное время, уровень стресса, частота головных болей и другие показатели, характеризующие повседневную жизнь людей в цифровую эпоху.
Почему я выбрала эту тему
Тема перегрузки стимулами (overstimulation) особенно актуальна в современном мире, где человек постоянно подвергается информационному шуму, работает в режиме многозадачности и проводит значительное время перед экранами устройств. Мне было интересно проанализировать, какие факторы наиболее сильно влияют на ощущение перегруженности, и какие защитные механизмы могут помочь снизить этот эффект.
Типы выбранных графиков
Для визуализации данных я выбрала 6 различных типов графиков:
- Корреляционная тепловая карта — позволяет наглядно представить взаимосвязи между различными факторами
- Столбчатая диаграмма — помогает сравнить уровень перегруженности в различных возрастных группах
- Сгруппированная гистограмма — демонстрирует комбинированное влияние нескольких факторов
- Круговая диаграмма — показывает относительный вклад ключевых факторов
- Диаграмма рассеяния — иллюстрирует взаимосвязь между двумя количественными переменными
Выводы
Анализ данных о перегрузке стимулами позволил выявить ключевые факторы, влияющие на это состояние, и их взаимосвязи. Основные выводы:
- Психологические факторы (тревожность, чрезмерное мышление) играют более значимую роль в возникновении перегруженности, чем непосредственное количество внешних стимулов
- Качество и продолжительность сна имеют сильное защитное действие против перегрузки стимулами
- Время, проведенное перед экраном, прямо пропорционально уровню перегруженности
- Физическая активность значительно снижает вероятность перегрузки стимулами
- Молодые взрослые (25-34 года) наиболее подвержены перегрузке, что может быть связано с активным использованием технологий и высоким уровнем стресса
Эти результаты могут быть полезны для разработки стратегий цифрового детокса и профилактики информационной перегрузки, особенно в группах повышенного риска.
Описание применения генеративной модели
В процессе работы над проектом использовалась генеративная модель DeepSeek для оптимизации кода и выработки идей для визуализации. Модель использовалась для:
- Генерации базового кода для обработки данных и создания графиков
- Поиска оптимальных способов визуализации различных аспектов данных
- Создания единого стиля оформления для всех графиков
Ссылка на модель: https://deepseek.ai/ С помощью DeepSeek удалось значительно ускорить процесс разработки и улучшить качество визуализаций. Взаимодействие с моделью происходило в формате промптов, описывающих задачи, которые нужно решить, и ожидаемый результат.
